基于深度学习的金融危机预测模型在大数据环境中的高效离群点检测

随着大数据、物联网 (IoT)、云计算 (CC) 等思想和技术的结合，社会互动得以发展。大数据技术改善了企业财务数据的处理。目前，有效工具可用于预测中小企业的财务失败和危机。金融危机预测 (FCP) 在国家经济现象中发挥着重要作用。准确预测失败的数量和概率是国家经济发展和实力的指标。通常，为有效的 FCP 规划了不同的方法。相反，分类器的效率、预测准确性和数据合法性在实际应用中可能并不理想。在这种情况下，本研究开发了一种基于对抗蚁狮优化器的特征选择与机器学习支持的分类 (OALOFS-MLC) 模型，用于大数据环境下的 FCP。在金融领域的大数据管理中，使用了 Hadoop MapReduce 工具。此外，所提出的 OALOFS-MLC 模型设计了一种新的 OALOFS 算法，以选择一个最佳的特征子集，从而帮助实现改进的分类结果。此外，采用深度随机向量函数链接网络 (DRVFLN) 模型进行分级过程。使用基线数据集对 OALOFS-MLC 方法进行了实验验证，结果表明 OALOFS-MLC 算法优于近期的方法。